CN110362081A - 一种移动机器人路径规划方法 - Google Patents

Abstract

本发明公开了一种移动机器人路径规划方法，主要包括以下步骤：S1采用线性循进的方式对移动机器人的前进空间建模；S2建立机器人的运动状态空间，并建立机器人趋向目标点的效率评价神经网络；S3引入非对称评价体系作为粒子群优化方法的评价激励，实现当前状态下有效路径的生成。本方法采用了非全局性前进空间建模的方式，大大提升了实时处理能力，同时引入了非对称评价体系，作为粒子群优化方法的评价激励，在提高实时处理能力的前提下，有效避免局部最优解的问题，确保了规划路径的最优与有效性。

Description

一种移动机器人路径规划方法

技术领域

本发明涉及计算机数据处理、机器智能领域，尤其涉及一种移动机器人路径规划方法。

背景技术

移动机器人路径规划是在有障碍物的环境中按照一定的评价标准，寻找一条从起始状态到目标状态的最优无碰撞路径。现有的移动机器人路径规划方法主要有人工势场法、蚁群算法、模糊逻辑算法、遗传算法以及神经网络算法等，这些算法在特定的应用场景都取得了不错的效果，但仍存在搜索空间大、算法消耗时间长、易陷入局部最优路径，在复杂场景下还存在搜索不到可行路径而造成停滞的现象，这在任务场景多变且成功率要求苛刻的应用中是亟待解决的问题。

发明内容

一种移动机器人路径规划方法，包括以下步骤：

S1采用线性循进的方式对移动机器人的前进空间建模；

S2建立机器人的运动状态空间，并建立机器人趋向目标点的效率评价神经网络；所述S2包括以下步骤：

S201以能够准确描述机器人在当前前进空间建模下的运动状态，并且对趋向目标点的效率有直接影响为原则，选取机器人的运动因素组成运动状态空间；

S202建立机器人趋向目标点的效率评价神经网络，并使用训练数据训练网络；

S3引入非对称评价体系作为粒子群优化方法的评价激励，实现当前状态下有效路径的生成；具体处理方法如下：

S301采用栅格法建立机器人在运动空间的静态笛卡尔坐标系；

S302采用粒子群优化方法，并将效率评价网络Net_r作为粒子群优化的评价激励，实现当前状态下的有效路径生成；

(1)将每个路径看作一个粒子，用表示，一个种群有m个粒子，每个粒子的维度为q，维度值是路径上一个方格的坐标；

(2)将粒子在每个状态下的运动状态空间描述P值输入到效率评价网络Net_r中，并将Net_r的输出值作为粒子的适应度值进行迭代，这种适应度值的评价体系即非对称评价体系，能够指导粒子在非全局建模的情况下，向无障碍物的效率评价最优的路径方向移动；

(3)初始化每个粒子的位置和速度；

(4)根据粒子群迭代过程中的在静态坐标系中的方格坐标，并按照S201步骤所述处理，记录与该坐标相对应的运动空间描述，将所述运动空间描述向量输入到效率评价网络Net_r中，即可得到机器人趋向目标的效率评价结果，将该结果作为粒子群迭代过程中粒子的适应度评价值；

(5)更新每个粒子的历史最佳速度和种群的全局最佳速度。

优选的，所述步骤S1的处理过程包括：

S101根据激光测距传感器的扫描周期T_s确定空间建模的循进周期；

S102根据空间建模的循进周期，对当前状态进行空间建模。

优选的，所述步骤S101的具体处理过程包括：根据当前运动状态下，机器人前进方向±90°范围内障碍物的最小距离和机器人的运动速度来确定基本循进周期，所述基本循进周期是指机器人按照当前运动状态的速度前进，直到撞到障碍物所需的时间。

优选的，所述基本循进周期的计算方法如下：

其中，表示当前状态s下的基本循进周期，表示当前状态s下，机器人前进方向±90°范围内障碍物的最小距离，v^s表示当前状态s下机器人的瞬时线速度，表示机器人当前状态s下前进方向与最小距离障碍物间的角度，ω表示机器人的转动角速度，为定值；

为了在降低计算复杂度的基础上，提高路径规划能力，需要在基本循进周期的基础上，加入一定的冗余时序，并将加入冗余时序后的基础循进周期作为空间建模的循进周期，计算方法如下：

其中，T^s表示空间建模的循进周期，表示对基础循进周期进行冗余处理，α表示冗余调节参数，α≥1。

优选的，所述步骤S201中机器人运动因素选定的处理过程包括：

(1)以机器人质心为原点，以机器人运动平面为坐标平面，建立笛卡尔坐标系；其中，坐标原点到目标点的有向线段为x轴正方向；

(2)记录当前状态s下，机器人的目标角位移所述目标角位移是指机器人运动方向与x轴的夹角；

(3)记录当前状态s下，机器人的转动角速度ω；

(4)记录当前状态s下，机器人与目标点的趋近距离所述趋近距离是指机器人与目标点的直线距离；

(5)记录当前状态s下，机器人运动的线速度

(6)记录当前状态s下，机器人运动的线加速度

有益效果：

1.本发明采用了非全局性前进空间建模的方式，大大提升了实时处理能力，同时引入了非对称评价体系，作为粒子群优化方法的评价激励，在提高实时处理能力的前提下，有效避免局部最优解的问题，确保了规划路径的最优与有效性。

2.本发明所述方法的训练数据包含人工评价，因此数据的精准度有一定的损失，广义回归神经网络具有良好的非线性逼近性能，且收敛速度快，在样本精准性较差时也能获得非常好的分类和预测结果。

3.本发明所述的方法为了提高实时处理能力，采用了线性循进的方式对移动机器人的前进空间建模，并且依据循进周期对当前状态进行了空间建模，是一种非全局性建模。因此在路径优化中，比全局建模前提下的粒子群优化更容易陷入局部最优解，进而影响最优路径的生成。为了解决这一问题，本发明引入外部激励即非对称评价体系，作为粒子群优化方法的评价激励，实现提高实时处理能力的前提下，有效避免局部最优解的问题。

附图说明：

图1本发明所述一种移动机器人路径规划方法流程框图；

图2机器人探测的前进空间障碍物示意图；

图3通过本发明所述线性循进方式对前进空间建模示意图；

图4机器人运动状态空间描述示意图；

图5本发明所建趋近效率评价的广义回归神经网络结构图。

具体实施方式

参照图1，本发明所述的一种移动机器人路径规划方法，处理步骤包括：

S1采用线性循进的方式对移动机器人的前进空间建模；

借助移动机器人上设置的激光测距传感器阵列，实现测量机器人前进方向为正方向的±90°范围内的障碍物信息，以此获取机器人前进空间的障碍物信息。参照图2，为了降低计算复杂度，提高路径规划的实时性，本发明采用线性循进的方式对移动机器人的前进空间建模，处理过程包括：

S101根据激光测距传感器的扫描周期T_s确定空间建模的循进周期；

根据当前运动状态下，机器人前进方向±90°范围内障碍物的最小距离和机器人的运动速度来确定基本循进周期，所述基本循进周期是指机器人按照当前运动状态的速度前进，直到撞到障碍物所需的时间。计算方法如下：

其中，表示当前状态s下的基本循进周期，表示当前状态s下，机器人前进方向±90°范围内障碍物的最小距离，v^s表示当前状态s下机器人的瞬时线速度，表示机器人当前状态s下前进方向与最小距离障碍物间的角度，ω表示机器人的转动角速度，为定值。

为了在降低计算复杂度的基础上，提高路径规划能力，需要在基本循进周期的基础上，加入一定的冗余时序，并将加入冗余时序后的基础循进周期作为空间建模的循进周期，计算方法如下：

其中，T^s表示空间建模的循进周期，表示对基础循进周期进行冗余处理，α表示冗余调节参数，α≥1。

S102根据空间建模的循进周期，对当前状态进行空间建模。

对于当前的激光传感器扫描周期所探测到的障碍物信息按照当前状态下的巡检周期进行取舍，处理过程如下：

以当前状态下机器人中心为圆点，保留以v^s·2T^s为半径的半圆范围内的障碍物信息，作为当前状态下的机器人前进空间建模。空间建模示意图如图3所示。

S2建立机器人的运动状态空间，并建立机器人趋向目标点的效率评价神经网络；

对当前状态的机器人前进空间建模完成后，然后根据当前状态空间模型建立机器人的运动状态空间，所述机器人的运动状态空间是指能够准确描述机器人在当前前进空间建模下的运动状态，并且对机器人趋向目标点的效率有直接影响的运动因素所组成的向量空间。

S201以能够准确描述机器人在当前前进空间建模下的运动状态，并且对趋向目标点的效率有直接影响为原则，选取机器人的运动因素组成运动状态空间；

参照图4，机器人运动因素选定的处理过程包括：

(1)以机器人质心为原点，以机器人运动平面为坐标平面，建立笛卡尔坐标系。其中，坐标原点到目标点的有向线段为x轴正方向。

(2)记录当前状态s下，机器人的目标角位移所述目标角位移是指机器人运动方向与x轴的夹角。

(3)记录当前状态s下，机器人的转动角速度ω。

(4)记录当前状态s下，机器人与目标点的趋近距离所述趋近距离是指机器人与目标点的直线距离。

(5)记录当前状态s下，机器人运动的线速度

(6)记录当前状态s下，机器人运动的线加速度

需要说明的是，上述机器人运动因素的实时数据均可以通过安放在机器人上的相应传感器来获取。

将当前状态s下的目标角位移、转动角速度、趋近距离、线速度以及线加速度五个运动要素作为机器人运动状态空间描述，记为：

因此，对任意状态下，机器人的运动状态空间描述记为：

其中，θ表示机器人的目标角位移；ω表示机器人的转动角速度；d表示机器人与目标点的趋近距离；v表示机器人运动的线速度；a表示机器人运动的线加速度。

S202建立机器人趋向目标点的效率评价神经网络，并使用训练数据训练网络。

为了提高效率评价神经网络的评价效率，加强实时评价能力，将效率评价结果分为有限的n(n≥3)个档次，然后由控制器操作机器人在模拟场景中多次向目标点移动，选取足够量的训练数据，训练数据的量N应大于100组，在资源允许的前提下，越多越好。所述训练数据包括各采集点机器人的运动状态空间描述数据，以及人工对运动状态进行评价，人工评价的处理方法如下：

其中，Y表示各运动状态空间描述数据的状态评价，n₁表示机器人当前运动状态具有较好的目标趋向性，n₂表示机器人当前运动状态可以趋向目标，但运动路径较长，n₃表示机器人当前状态已撞到了障碍物，无法顺利趋向目标。n₁，n₂，n₃可用不同的数值来作区分。

对于N组训练数据的机器人运动状态空间描述数据进行人工评价，评价结果为T。

具体地，N组训练数据如下：

其中，表示第i(1≤i≤N)组训练数据所表示运动状态空间描述数据的转置矩阵；θ_i、ω_i、d_i、v_i、a_i分别表示第i组训练数据的目标角位移、转动角速度、机器人与目标点的趋近距离、机器人运动的线速度、机器人运动的线加速度。

其对应的评价结果如下：

经上述处理，机器人趋向目标点的效率评价问题转化为分类问题，因为本发明所述方法的训练数据包含人工评价，因此数据的精准度有一定的损失，广义回归神经网络具有良好的非线性逼近性能，且收敛速度快，在样本精准性较差时也能获得非常好的分类和预测结果，因此本发明采用广义回归神经网络作为效率评价网络。

广义回归神经网络包括输入层、模式层、求和层和输出层，网络输入为P，输出为T。

对机器人趋向目标点的效率评价神经网络建模，参照图5，网络结构及计算过程如下：

(1)输入层神经元的维数等于机器人运动状态空间描述的维度，即输入层神经元维度为5；

(2)将输入向量传递给模式层，模式层与输入层全连接，层内无连接，模式层神经元个数为训练样本数目N，各神经元对应不同的样本，模式层神经元的激活函数选用径向基函数：

其中，fⁱ(x)是模式层第i个神经元的输出，x是网络的输入变量，X_i是第i个神经元对应的训练样本，σ是函数的宽度系数。

(3)求和层中有两类神经元，第一类神经元为输出式的分母，对所有模式层神经元的输出进行算术求和：

其模式层与各神经元的连接权值为1；

第二类神经元为输出式的分子，对所有模式层神经元的输出进行加权求和：

其中，ω_i是权重系数。输出层中的节点数量等于输入层节点数量；

(4)输出层神经元维数为评价结果的值空间维度。

从S202步骤，人工评价处理方法：

可知，输出层神经元维数为3。

输出结果是求和层的第二类节点除以第一类节点，即：

(5)误差的计算：采用相对误差率计算训练误差：

其中，C_d表示网络输出结果与人工评价结果不一致的数量，C_a表示用于计算训练误差的数据总数量。

根据实际需求设置误差阈值ε，若e＜ε(ε应小于5％)则认为评价网络的精确度满足实际需求，训练完毕，否则继续训练直至满足需求。

综上，便可得到机器人趋向目标点的效率评价网络，记为Net_r。

S3引入非对称评价体系作为粒子群优化方法的评价激励，实现当前状态下有效路径的生成。

本发明所述的方法为了提高实时处理能力，采用了线性循进的方式对移动机器人的前进空间建模，并且依据循进周期对当前状态进行了空间建模，是一种非全局性建模。因此在路径优化中，比全局建模前提下的粒子群优化更容易陷入局部最优解，进而影响最优路径的生成。为了解决这一问题，本发明引入外部激励即非对称评价体系，作为粒子群优化方法的评价激励，实现提高实时处理能力的前提下，有效避免局部最优解的问题，具体处理方法如下：

S301采用栅格法建立机器人在运动空间的静态笛卡尔坐标系；

S302采用粒子群优化方法，并将效率评价网络Net_r作为粒子群优化的评价激励，实现当前状态下的有效路径生成；

(1)将每个路径看作一个粒子，用表示，一个种群有m个粒子，每个粒子的维度为q，维度值是路径上一个方格的坐标。

(2)将粒子在每个状态下的运动状态空间描述P值输入到效率评价网络Net_r中，并将Net_r的输出值作为粒子的适应度值进行迭代。这种适应度值的评价体系即非对称评价体系，可指导粒子在非全局建模的情况下，向无障碍物的效率评价最优的路径方向移动。

(3)初始化每个粒子的位置和速度；

位置初始化为：

其中，和是路径规划范围边界，r是[0，1]的随机数。

粒子的速度初始化为：

其中，k是比例因子，用来控制粒子速度的变化范围。

(4)根据粒子群迭代过程中的在静态坐标系中的方格坐标，并按照S201步骤所述处理，记录与该坐标相对应的运动空间描述，将所述运动空间描述向量输入到效率评价网络Net_r中，即可得到机器人趋向目标的效率评价结果，将该结果作为粒子群迭代过程中粒子的适应度评价值，

(5)更新每个粒子的历史最佳速度和种群的全局最佳速度：

其中，t是迭代次数，δ是迭代次数的阈值，v^δ是迭代次数为δ时的速度，当迭代次数大于阈值时，停止迭代。粒子的位置更新为：

其中，是第t次迭代粒子i的位置，是第t次迭代粒子i的速度。当达到了预先设定的最大迭代次数或者路径的长度满足了预先设定的阈值时，停止迭代。那么此时得到的路径即最优路径。

综上便实现了本发明所述的一种移动机器人路径规划方法，本方法采用了非全局性空间建模，大大提升了实时处理能力，同时引入了非对称评价体系，作为粒子群优化方法的评价激励，在提高实时处理能力的前提下，有效避免局部最优解的问题，确保了规划路径的最优与有效性。

显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。

Claims (5)

1.一种移动机器人路径规划方法，其特征在于，包括以下步骤：

S1采用线性循进的方式对移动机器人的前进空间建模；

S2建立机器人的运动状态空间，并建立机器人趋向目标点的效率评价神经网络；所述S2包括以下步骤：

S201以能够准确描述机器人在当前前进空间建模下的运动状态，并且对趋向目标点的效率有直接影响为原则，选取机器人的运动因素组成运动状态空间；

S202建立机器人趋向目标点的效率评价神经网络，并使用训练数据训练网络；

S3引入非对称评价体系作为粒子群优化方法的评价激励，实现当前状态下有效路径的生成；具体处理方法如下：

S301采用栅格法建立机器人在运动空间的静态笛卡尔坐标系；

S302采用粒子群优化方法，并将效率评价网络Net_r作为粒子群优化的评价激励，实现当前状态下的有效路径生成；

(1)将每个路径看作一个粒子，用表示，一个种群有m个粒子，每个粒子的维度为q，维度值是路径上一个方格的坐标；

(2)将粒子在每个状态下的运动状态空间描述P值输入到效率评价网络Net_r中，并将Net_r的输出值作为粒子的适应度值进行迭代，这种适应度值的评价体系即非对称评价体系，能够指导粒子在非全局建模的情况下，向无障碍物的效率评价最优的路径方向移动；

(3)初始化每个粒子的位置和速度；

(4)根据粒子群迭代过程中的在静态坐标系中的方格坐标，并按照S201步骤所述处理，记录与该坐标相对应的运动空间描述，将所述运动空间描述向量输入到效率评价网络Net_r中，即可得到机器人趋向目标的效率评价结果，将该结果作为粒子群迭代过程中粒子的适应度评价值；

(5)更新每个粒子的历史最佳速度和种群的全局最佳速度。

2.如权利要求1所述的移动机器人路径规划方法，其特征在于，所述步骤S1的处理过程包括：

S101根据激光测距传感器的扫描周期T_s确定空间建模的循进周期；

S102根据空间建模的循进周期，对当前状态进行空间建模。

3.如权利要求2所述的移动机器人路径规划方法，其特征在于，所述步骤S101的具体处理过程包括：根据当前运动状态下，机器人前进方向±90°范围内障碍物的最小距离和机器人的运动速度来确定基本循进周期，所述基本循进周期是指机器人按照当前运动状态的速度前进，直到撞到障碍物所需的时间。

4.如权利要求3所述的移动机器人路径规划方法，其特征在于，所述基本循进周期的计算方法如下：

其中，表示当前状态s下的基本循进周期，表示当前状态s下，机器人前进方向±90°范围内障碍物的最小距离，v^s表示当前状态s下机器人的瞬时线速度，表示机器人当前状态s下前进方向与最小距离障碍物间的角度，ω表示机器人的转动角速度，为定值；

为了在降低计算复杂度的基础上，提高路径规划能力，需要在基本循进周期的基础上，加入一定的冗余时序，并将加入冗余时序后的基础循进周期作为空间建模的循进周期，计算方法如下：

其中，T^s表示空间建模的循进周期，表示对基础循进周期进行冗余处理，α表示冗余调节参数，α≥1。

5.如权利要求1所述的移动机器人路径规划方法，其特征在于，所述步骤S201中机器人运动因素选定的处理过程包括：

(1)以机器人质心为原点，以机器人运动平面为坐标平面，建立笛卡尔坐标系；其中，坐标原点到目标点的有向线段为x轴正方向；

(2)记录当前状态s下，机器人的目标角位移所述目标角位移是指机器人运动方向与x轴的夹角；

(3)记录当前状态s下，机器人的转动角速度ω；

(4)记录当前状态s下，机器人与目标点的趋近距离所述趋近距离是指机器人与目标点的直线距离；

(5)记录当前状态s下，机器人运动的线速度

(6)记录当前状态s下，机器人运动的线加速度